智能体上下文治理可降成本并提升任务完成率

企业智能体面临的瓶颈并不只是模型能力不足，还包括上下文持续膨胀。工具定义、查询结果和历史对话会在多轮交互中不断累积，即使早期信息已失去价值，也可能被反复带入后续请求，造成Token浪费并分散模型注意力。单纯扩大上下文窗口，无法解决信息筛选和生命周期管理问题。

Snowflake AI Research在CoCo和CoWork中探索了两条优化路径：一是通过Agent Harness管理工具调用、上下文和外部系统连接；二是在任务开始前注入可靠的业务知识，减少智能体自行探索数据含义的成本。以夜间数据管道故障为例，智能体可能同时查询数据仓库、搜索Slack和Jira并检查代码，传统做法往往会预先加载所有工具，并把大量查询结果持续留在上下文中。

Harness可以控制工具如何发现、独立操作如何执行，以及工具结果以何种形式进入模型上下文。CoCo主要采用三种方式：按需加载工具，只在任务需要时引入相关定义；将没有依赖关系的Slack、Jira和遥测查询并行调度，减少不必要的模型交互轮次；压缩和管理大规模输出，优先提供错误类别、次数、时间戳及代表性案例，必要时再访问原始数据。存在依赖的操作仍须遵守正确顺序。

在内部SQL修复基准测试中，使用Sonnet 5的CoCo在三次重复试验中通过率为86%，使用Opus 5的Claude Code通过率为72%。CoCo每次试验的报告成本也从0.446美元降至0.298美元，下降33%。研究团队强调，这些数据仅适用于特定配置和工作负载，不能直接推及所有智能体，但说明效率评估应同时关注Token开销和任务是否真正完成。

减少上下文并不等于保证答案正确。智能体即使找到了失败任务并算出错误率，也可能不知道哪些任务属于生产环境、哪些测试任务应排除，或企业如何定义错误率。语义视图可以提供指标、维度、关系及业务规则，让智能体无需反复推断表之间的关联和指标计算方式。Harness解决的是如何高效使用上下文，语义视图解决的则是上下文是否准确且符合业务含义。

企业不必一次性为所有数据建立模型，可以先从数据管道状态、客户活动、营收或客户支持等高频业务领域入手，整理常见问题、对应SQL和指标规则，再审核生成的关系与定义。Semantic View Autopilot能够利用现有数据、查询历史、SQL示例及BI资产自动生成语义视图，团队可在Semantic Studio中继续校验和完善。经过治理的业务上下文可被重复使用，避免智能体每次重新探索相同规则。

高效的企业智能体需要强模型和丰富工具，也需要合理的上下文管理框架与可靠的业务语义。减少无关工具定义和原始结果能够降低运行成本，而预先提供准确的业务定义，则有助于避免生成语法正确却不符合实际口径的答案。两类能力需要同时建设，才能兼顾执行效率与结果质量。